Aller au contenu principal

Muse Ember coûte 0,14 $ la tâche mais recule sur le code

Muse Ember coûte 0,14 $ la tâche mais recule sur le code

Meta présente Muse Ember comme son modèle le plus petit et le plus efficace, taillé pour ce que les agents font à longueur de journée : appeler des outils, traiter de petites tâches de code, router des requêtes, extraire des données, lire de longs documents. Les résultats publiés avec l’annonce donnent deux lectures qui ne se recoupent pas.

Sur le coût par tâche, Ember passe sous ses concurrents. Sur la programmation en conditions réelles, il reste derrière Claude Haiku 5.5. Entre les deux, une question que tout projet d’agent finit par se poser : combien coûte une tâche menée jusqu’au bout, et pas seulement combien vaut un score.

L’intelligence par dollar face à la tâche réelle

Meta revendique plus d’intelligence par dollar, à chaque niveau de raisonnement, que Claude Haiku 5.5 d’Anthropic ou GPT-6 Luna d’OpenAI. L’argument est économique : un agent ne fait pas un appel, il en enchaîne des dizaines, et chaque appel inutilement cher se multiplie.

Le test d’Artificial Analysis, un organisme indépendant de mesure des modèles, donne un ordre de grandeur. Muse Ember y obtient 36 sur son indice d’intelligence pour environ 0,14 $ par tâche. Son grand frère Muse Spark 1.3 obtient 37 pour 2,39 $. Un point d’écart pour un coût multiplié par 17 : sur ce terrain, le petit modèle n’a presque rien à envier au gros.

Le benchmark FrontierCode 2.0-AA, qui mesure des tâches de programmation réelles, donne un autre tableau. Claude Haiku 5.5 y atteint 34,9 %, Muse Ember 27,2 %. Meta mène dans la plupart de ses propres tests, mais cet écart de près de huit points est celui qui parle le plus à un développeur.

Deux modèles, deux métiers

Meta vend la sobriété : un modèle qui ne gaspille pas de budget sur le travail répétitif. Anthropic, avec Haiku, vend plutôt la fiabilité sur des tâches où l’erreur coûte une relance, un correctif ou une revue humaine.

Ces deux promesses ne se contredisent pas, elles décrivent deux postes différents dans une même chaîne. Le routage d’une requête, l’extraction de champs dans un document, l’appel d’un outil avec les bons paramètres : des gestes courts, vérifiables, où une erreur se détecte vite. Écrire un correctif qui passe les tests d’un dépôt réel exige un raisonnement plus long, et l’écart se creuse sur ce type d’exercice.

Le prix par million de tokens (les unités de texte que facture un modèle) confirme la vocation : 0,10 $ en entrée et 0,50 $ en sortie, via la Meta Model API et Muse Code. Claude Haiku 5.5 facture exactement la même chose sur les requêtes courtes. L’écart de facture vient donc de la consommation : Artificial Analysis compte environ 0,41 $ par tâche pour Haiku 5.5, contre 0,15 $ pour GPT-6 Luna, presque au niveau d’Ember. Le modèle accepte le texte, l’image, l’audio et la vidéo, avec une fenêtre d’un million de tokens, de quoi avaler de longs dossiers sans les découper. Meta annonce aussi sa disponibilité sur Google Cloud, avec Muse Wonder et Muse Spark 1.3.

La facture d’un agent se compte en appels rejoués

Un benchmark de raisonnement mesure ce qu’un modèle sait faire une fois, dans de bonnes conditions. Un agent, lui, vit de répétition. Ce qui décide de sa facture, c’est le nombre d’appels, le prix de chacun et la part qui échoue et doit être rejouée.

Un modèle à 0,14 $ la tâche qui échoue une fois sur trois peut coûter plus cher, tout compris, qu’un modèle un peu plus onéreux qui réussit du premier coup. Les chiffres publiés ne permettent pas de trancher : l’indice d’Artificial Analysis donne un score global et un coût, pas le taux de réussite d’un enchaînement d’outils dans votre application.

Cette lecture a ses limites. Une part des tests où Ember prend la tête sont ceux de Meta elle-même, et un score de 36 contre 37 pour Spark 1.3 reste un indice agrégé, pas une garantie sur vos cas d’usage.

Tester Ember sur ses propres données avant de migrer

Si vous faites tourner des agents, la démarche est concrète. Isolez les étapes qui relèvent du routage, de l’extraction ou de l’appel d’outil, et rejouez-les sur un échantillon de vos propres données avec Muse Ember et avec votre modèle actuel. Comptez le coût par tâche réussie, relances comprises, pas le prix du million de tokens.

Gardez en revanche le modèle plus fort pour les étapes de programmation et de décision, là où le benchmark réel montre l’écart. Un montage à deux étages, petit modèle en première ligne et modèle plus capable en renfort, profite de la baisse de coût sans la payer en qualité.

Meta comblera-t-elle son retard sur le code avec les prochaines versions de la gamme Muse ? Rien ne l’indique encore. En attendant, la seule mesure qui compte se fait chez vous : une tâche, un coût, un taux de réussite.

Vous avez aimé celui-ci ?

La newsletter du vendredi réunit les articles de la semaine, avec leurs sources.

Offert à l'inscriptionMa configuration Claude Code, avec mes skills, mes sous-agents et mes hooks, prêts à copier.

Une newsletter par semaine. Un message de confirmation vous est envoyé avant la première. Désinscription en un clic dans chaque newsletter. Détails : politique de confidentialité.

Sources

Ils m’ont fait confiance

« Il ne se contente pas de corriger les symptômes, il cherche à comprendre l'origine des problèmes et à sécuriser les modifications effectuées. J'ai réellement le sentiment d'avoir trouvé un développeur qui comprend à la fois la technique et les enjeux globaux du projet. »

Évaluation client · projet WordPress · septembre 2026

5,0/5 sur 22 évaluations

Faire appel à mes services →

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

L'IA cette semaine

Les articles qui comptent, avec leurs sources, le vendredi matin.

Offert à l'inscriptionMa configuration Claude Code, mes skills et mes sous-agents.

Une newsletter par semaine. Un message de confirmation vous est envoyé avant la première. Désinscription en un clic dans chaque newsletter. Détails : politique de confidentialité.